基于径向基神经网络的天气预测模型

　　摘要:针对天气数据高度非线性化的特点，以贵阳市近一年的天气数据为基础，结合神经网络在非线性系统建模与优化求解的优势，提出了一种基于径向基函数(RBF)神经网络的预测模型。该模型分别采用以2天、3天直至9天天气数据为一周期对未来1天天气做出预测的训练样本，最后以贵阳市2017年1月的天气作为测试样本，并将所预测的数据与真实天气数据对比。仿真结果表明，RBF神经网络比现有的预测方法如BP神经网络的预测结果具有更高的可行性和有效性。

　　关键词:径向基函数;天气;神经网络;预测

　　天气是我们每个人每天都要关注的内容，它几乎决定了我们所有的衣食住行的问题，因此天气预测对我们来说就尤为重要，天气预报的主要功能是预测一个地区未来一段时期内的阴晴雨雪、风向和风力及最高最低气温等状况[1-2]。随着生产力的发展和科技的进步，人类活动的范围日益扩大，对自然的影响越来越重要。因此，天气预报已成为现代社会不可或缺的重要信息[3]。目前，常用的预测方法主要有1)灰色模型预测方法;2)人工神经网络方法;3)马尔科夫链方法;4)模糊集理论方法等[4-5]。以上的几种方法中，对于预测非线性特性的问题，人工神经网络具有其他方法无法比拟的优势。

　　本文采用的径向基函数网络RBF具有很强的非线性拟合能力，可映射任何复杂的线性关系，且学习规则简单，易于计算机实现，具有很强的鲁棒性、记忆能力，以及强大的自学习能力，因此，径向基函数具有广阔的应用前景[6-8]。

　　1RBF神经网络

　　RBF(RadialBasisFunction)神经网络是一种双层前向型神经网络，其包含一个具有径向基函数神经网络的隐层和一个具有线性神经元的输出层。隐单元的数目取决于问题的需要，隐单元的变换函数是RBF径向基函数，它是一个对中心点径向且衰减的非负非线性函数;第二层是输出层，它对输入模式的不同作用而作出不同反应。从输入空间到隐层空间的变换是非线性的，从隐层空间到输出层空间的变换是线性的[9]。RBF神经网络结构如图1所示。

　　径向基函数神经元的传递函数虽然形式多种多样，但最常见的形式还是高斯函数(radbas)。其网络输入为权值向量w与输入向量x之间的向量距离乘以阈值b，即d=radbas(dist(w，x)*b)。径向基传递函数可以用如下形式表示:radbas(n)=e-n2(1)

　　径向基神经元模型的图形如图2所示。

　　2天气预测模型的建立

　　2.1天气预测原理

　　天气的变化看似变化无常，但其变化规律在长时期的演化过程中却会表现出一定的规律，某地某日的天气与当地的气温、气压、风速等众多因素有关[10]，天气的变化具有非线性的特点。RBF神经网络对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合以及并行高速地处理数据。RBF神经网络的优异特性使其比BP神经网络更具生命力，并且在越来越多的领域取代了BP神经网络[11-13]。

　　本文利用所收集的历史天气数据，将其转化为对应的数字信息，把数个数字信息形成一组数据作为神经网络的输入，每组数据都对应一个输出数据作为神经网络的输出。以这些历史天气数据训练形成一个预测模型，使得预测的结果与实际的结果误差最小。基于RBF神经网络的天气预测模型的具体预测流程如下图3所示。

　　2.2天气数据的收集

　　由于天气变化多端，一天中就可能出现多种天气状况，比如某天上午为天晴，下午就转为阵雨，又比如某天上午为小雨，下午又转为大雨，这为收集数据带来了一定的麻烦。为了方便，现约定天气状态标准如下表1所示。

　　收集的历史数据来源于2345天气预报网站，记录了贵阳市从2016年1月至2016年12月共366天，2012年至2017年六年间的1月共186天的天气情况，具体情况如下表2、表3所示:

　　对于表2中2016年一整年的天气数据、表3中2012年至2016年五年间的1月天气数据分别作为训练样本，表3中的2017年1月的天气数据为测试样本。分别采用2016年一整年的天气数据以及2012年至2016年五年间的1月的天气数据作为训练样本的两种方式对2017年1月的天气做出预测，最后与实际天气数据对比。

　　2.3网络设计和训练

　　应用newrbe()函数可快速设计一个径向基函数网络，且使得设计误差为0，调用方式如下[14]:net=newrbe(P，T，spread)(2)其中，P为输入向量，T为期望输出向量(目标值)，spread为径向基层的散布常数，默认值为1。输出为一个径向基网络，其权重和阈值完全满足输入和预期值之间的关系。但应用newrbe()函数设计网络时，径向基神经元的数目与输入向量的个数是相等的，那么在输入向量较多的情况下，则需要更多的神经元，这就给网络设计带来一定的难度。newrbe()则能更有效地进行网络设计。

　　用径向基函数网络逼近函数时，newrbe()函数可以自动增加函数中隐含层神经元数目，直到均方差满足精度或达到最大神经元数为止，其调用方式如下[15]:net=newrb(P，T，GOAL，spread)(3)其中，P，T，spread变量意义同上，GOAL为训练精度。

　　3仿真研究

　　首先，图4模拟了贵阳市从2016年1月至2016年12月的天气情况，其中阴天占57.9235%，共计212天;雨天占37.43169%，共计137天;晴天占4.64481%，共计17天。由图可知近一年贵阳的天气主要以阴天为主，其次是雨天，最后是晴天。

　　3.1预测结果

　　通过收集到的贵阳市2016年1月至2016年12月366天的天气数据，分别做了2天为一组、3天为一组直至9天为一组来预测下一天天气的训练样本，并分别得到一个预测模型。最后把收集到的2017年1月的天气数据作为测试数据，通过上述的预测模型得到相应预测数据，再与测试数据对比，最终仿真结果如下图5所示。

　　同样，通过把收集的2012年至2016年五年间的1月的天气数据作为训练样本，还是以2017年1月的天气数据作为测试数据，也分别做了2天为一组、3天为一组直至9天为一组来预测未来一天天气的训练样本，并分别得到一个预测模型，与实际天气做对比后的最终仿真结果如下图6所示。

　　3.2预测结果分析

　　通过以上收集的2016年1月至2016年12月共366天与2012年至2016年五年间的1月共155天的天气数据建立的基于径向基函数的神经网络天气预测模型得到了相应的预测精度，再与BP神经网络的预测精度对比后的天气预测精度对比图如下图7所示。

　　由仿真结果可知，以一整年天气数据为训练样本的预测模型的精度最高，平均预测精度高达76.61%;其次是以近五年1月天气数据为训练样本的预测模型，平均预测精度为76.21%;以上两种都是基于径向基神经网络的预测模型，且最高精度都出现在以2天为一组的预测模型中，由此可知，某天的天气与其前两天的天气关系最大。最后BP神经网络的平均预测精度仅为74.19%，且预测精度一直保持不变，并未体现出天气之间的联系。

　　4结束语

　　RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织和自适应的功能。由以上仿真结果，很容易体会到径向基网络的作用，它强大的学习能力，以及自适应能力使得其得出的结果很令人满意，与BP神经网络的预测情况相比，它不依赖于天气数据本身，而且还具有更高的预测精度，在以后更多的应用场景中，径向基网络还将发挥它更大的作用。

　　参考文献:

　　[1]李泽椿，毕宝贵，金荣花，等.近10年中国现代天气预报的发展与应用[J].气象学报，2014，76(06):1069-1078.

　　[2]马树庆.现代农用天气预报业务及其有关问题的探讨[J].中国农业气象，2012，33(02):278-282+288.

　　[3]德庆央宗，次仁.论短时天气预报在防灾减灾中的作用[J].科技展望，2015，25(27):258.

　　[4]FabioMurena.Measuringairqualityoverlargeurbanareas:developmentandapplicationofanairpollutionindexattheurbanareaofNaples[J].FabioMurena.AtmosphericEnvironment，2004，38(36):6195-6202.

　　[5]王唯贤，陈利军.股票价格预测的建模与仿真研究[J].计算机仿真，2012，29(1):344-347.

　　[6]孙丽英，葛超，朱艺.RBF神经网络在函数逼近领域内的研究[J].计算机与数字工程，2007，35(08):121-123+202.

　　[7]葛哲学，孙志强.神经网络理论与MATLABR2007实现[M].北京:电子工业出版社，2007:107-126.

　　[8]戴文战，娄海川，杨爱萍.非线性系统神经网络预测控制研究进展[J].控制理论与应用，2009，26(5):521-530.

　　[9]熊聪聪，潘璇，赵奇，等.多模式集成的RBF神经网络天气预报[J].天津科技大学学报，2014，29(01):75-78.

　　[10]陈亿.近十年中国北方沙尘天气变化特征及其成因研究[D].兰州:兰州大学，2013.

　　[11]付世凤，陈瑞志，王丽丽.BP网络与RBFNN网络比较研究[J].现代商贸工业，2010:22(16):312-313.

　　[12]黄文明，徐双双，邓珍荣，等.改进人工蜂群算法优化RBF神经网络的短时交通流预测[J].计算机工程与科学，2016，38(04):713-719.

　　[13]刘鑫.神经网络在网络丢包预测中的应用[J].渤海大学学报(自然科学版)，2012，33(03):248-254.

　　[14]乔俊飞，韩红桂.RBF神经网络的结构动态优化设计[J].自动化学报，2010，36(06):865-872.

　　[15]董长虹.Matlab神经网络与应用[M].2版.北京:国防工业出版社，2007:121-126.